mirror of
https://github.com/redoules/redoules.github.io.git
synced 2025-12-12 15:59:34 +00:00
Webinar Scaling AI in manufacturing operations #2
Loading…
Reference in New Issue
Block a user
No description provided.
Delete Branch "%!s()"
Deleting a branch is permanent. Although the deleted branch may continue to exist for a short time before it actually gets removed, it CANNOT be undone in most cases. Continue?
Webinar Scaling AI in manufacturing operations
Intro
Europe en avance par rapport aux US et au Japon de part les aspects SPC. Exemple de Danone qui est en avance dans ses usines mais en particulier les "fast moving consumer good".
Transfromation numérique des usines :
La première étape consiste à connecter les machines de l'usine mais on remarque que dès la connexion des machines, la quantité de données est déjà très grande et qu'il faut donc utiliser les technologies dites d'intelligence articifielles pour filtrer ces données. Une première étape est donc la mise en place d'alarmes 'inteligentes' pour faire du "Smart alamaring" c'est à dire des moteurs de règles plus ou moins avancés afin de filtrer les évènements et ne faire remonter que ce qui est important ainsi que de valider les données.
Un autre volet de la transformation numérique de la chaine de production est la mise en contexte, en effet, si une machine a une pression superieurs cela ne signifie pas une défaillance mais peut être impacté au cycle de la machine ou a la matière première. Dans la très grande majorité des usines, ces données de contexte sont annotées manuellement. L'utilisation de l'intelligence artificielle pour systématiser cette approche est envisageable.
Pour la prise de décisions, l'intelligence artificielle est aujourd'hui utilisée comme support à la décision via des correlations, des causes. Demain, une usine dans laquelle des opérations autonomes passera pas de l'intelligence articificelle pour prendre les décicisons.
L'intégration de la simulation est nécessaire pour connaitre l'impact de ces décisions.
Enfin lors de l'éxecution, il faut monitorer ces conséquences d'une décisions pour apprendre par la suite.
Applications :
3 cas les plus développés sont:
car ils répondent aux critères suivants :
Maintenance prédictive
Maintenance corrective : couteux et fait baisser les taux de dispo
Maintenance planifiée et préventive: couteux à cuase de l'immobilisation et du stock de pièces
la maintenance prédictive permet l'écoute des signaux des machines pour limiter la maintenance au strict besoin.
Exemple d'une chaine de production automobile robotisée (600 robots)
solution:
* Plateforme qui remonte les signaux des différentes robots
* Test de modèles permettant d'anticiper la production d'une panne dans les heures à suivre
* part de travail sur la gestion du changement afin que le gestionnaire accepte de programmer l'arrêt du robot.
Exemple dans un système de pneus dans une mine à ciel ouvert (env )
Le changement des pneus est un coût important du coût d'opération de la mine
Solution :
* création de modèles permettant de prédire avec un bon taux d'efficacité la panne d'un pneu
* permet au client d'envisager un business model permettant de vendre un pneu à l'heure d'utilisation plutôt qu'à l'unité
Controle qualité
Au plus tôt on rencontre une erreur plus vite on arrivera a en corriger la source.
Le controle qualité est coûteux en temps humain.
En couplant un ensemble de système de reconnaissance visuel on peut remonter des problèmes plus rapidement et systèmatiquement.
Par exemple dans le cas d'une société qui reçoit des pièces de nombreux sous traitants, il faut pouvoir identifier les potentiels problèmes dans un assemblage.
Autre cas d'application : inspection visuelle sur des oeufs. Récupération, nettoyage et emballage des oeufs. Determination de l'état de l'oeufs (sale, cassé, ok) permettant d'éviter d'avoir des opérateurs travaillant en 24/24.
Demand planning
Important pour une usine moderne car l'usine doit être adaptée à une demande changeante et fluctuante (par rapport à la saisonnalité, la météo, les congés, etc.)
Exemple d'une société qui fabrique de la nouriture et qui a des problématiques de variation de demande de la part des clients et des problématique de l'impact des promotions sur la production.
Pour traiter ce problème, un modèle statistique a été entrainée à partir de nombreuses données : historique des ventes, météo, donnée de tiers partie tels que les réseaux sociaux.
Ce système permet de réduire de 30% le gaspillage de la nouriture.
Déploiement d'une solution
3 phases :
* pilot (hors labo mais dans l'usine)
* mise en place dans l'organisation de production
* scaling
La première étape permet de se confronter au réel, de convaincre les opérateurs et les décideurs.
La seconde étape consite à rationnaliser les différents pilotes et rationnaliser les coûts et les synergies (effets de mutualisations). Une fois quelques pilotes différents mis en place, il faut mettre une fondation via une plateforme permettant la gouvernance de la donnée.
La dernière étape consite à mettre en place cette démarche à travers l'entreprise et récolter les bénéfices de plus en plus rapidement et à coût de moins en moins important. Le problème du passage à l'échelle est un problème souvent sous estimé de gouvernance des données. Dans les organisations qui réussisent, il y a un chief data officer qui répond au business.
Sur tout ce qui est data science, les clients qui réussisent ont créés un COI (core team d'ingénieurs spécialisés dans le machine learning) pour appuyer le métier.
Questions
Gouvernance des données :
définir les donénes nécessaires, prioriser les use cases, établir un datamodèle, définir des outils et des processus.
Qui va être en charge de faire évoluer ces domaines?
A quel moment travailler sur la sémantique des données?
Besoin d'un travailler à tous les niveaux (intégration sémantique dans un datamodèle).
Solution de bases de données de graph permettant de travailler très rapidement sur ce type de données mais pour la pluspart des use cases une base de données standardisée est suffisante.